Databricks 发布 AI Index,公开企业 AI token 用量与编码智能体评测
Introducing the Databricks AI Index: The state of enterprise AI tokenomics
Databricks 推出公开资源 Databricks AI Index,汇总 1 万多家使用 Unity Gateway 的企业匿名用量数据,以及基于内部私有代码库真实编码智能体工作流的评测,每周更新。
基于 1 万多家企业的真实用量与内部编码基准,给出了模型份额、单任务成本和支出分布的量化对照。
开发者如今可选择的 AI 模型和编码智能体比以往任何时候都多。自 2026 年 5 月以来,大约每周都会发布一款新的旗舰专有模型或开放权重模型;若把区域性实验室也算上,则约每 3.7 天就有一款。面对如此多的选择,要了解哪些模型表现最佳、成本如何以及何时切换,正变得越来越困难。
在 Databricks,我们对这一快速变化的格局有着独特的视角。数千家企业使用 Unity Gateway 来访问和治理 AI 模型,这让我们得以洞察真实世界中的模型采用情况和支出。Databricks 还在内部 12,000 多名员工中大量使用 AI,并且我们投入了大量研究来评估新前沿模型在企业任务上的质量和成本。
今天,我们推出 Databricks AI Index,这是一个将这些洞察汇聚在一起的公共资源。客户一再询问我们新模型之间如何比较,以及我们在企业 AI 采用方面看到了什么,以帮助他们为自己的投资决策提供参考。现在,我们首次将内部评估套件永久公开,并随着我们评估新发布的专有模型和开放权重模型而每周更新。
Databricks AI Index 衡量什么
该指数结合了两个互补的数据来源:
企业 AI 使用与支出。 来自 10,000 多家使用 Unity Gateway 的公司的聚合、匿名化数据,涵盖数字原生企业、财富 500 强和全球 2000 强企业,包括流向 Anthropic 和 OpenAI 等外部提供商的流量。该指数通过专有模型和开放权重模型的 token 份额与支出份额来追踪模型采用情况,以及单个用户的每周 AI 支出模式。
持续更新的编码智能体评估。 基于我们在 7 月发布的编码智能体基准,我们最新的评估借鉴了 Databricks 工程师通过 Unity Gateway 捕获的真实编码智能体工作流。这些工作流涵盖创建和审查拉取请求、调查问题以及处理复杂的开发任务。使用来自我们私有代码库的任务和保留的测试,有助于降低基准污染的风险,同时能够对模型-框架组合进行一致的比较,并考察任务成功率和每个已完成任务的成本。
这些数据来源共同展示了企业正在采用哪些模型、不同模型与框架组合的表现如何,以及它们的成本是多少。以下是一些亮点:
AI 模型偏好正以前所未有的速度变化
企业正越来越多地在模型版本和提供商之间转移工作负载。年中时,大多数组织的大部分工作依赖少数几个 Anthropic 模型。如今,采用情况在模型版本和提供商之间都更加分散。OpenAI 在企业 token 流量中的份额在此期间显著增长,这主要得益于其 6 系列 Sol 和 Astra 模型。然而,模型质量仍然强烈影响提供商的市场份额;当 Claude Opus 5.5 发布时,势头又回到了 Anthropic 一边。短短六周内,Opus 5.5 在专有模型 token 中的份额从 7.2% 飙升至 37.9%,将 Anthropic 的整体份额从 57.6% 提升至 68.8%。

这种在模型和提供商之间灵活切换工作负载的模式,与我们在 Databricks 的 AI 战略高度一致——我们会快速评估并推出新模型。两个月前,我们推出了内部的首日模型上线流程,使我们能在数天内评估新发布的模型。这一流程帮助我们在控制成本的同时提升了内部 AI 工作的质量。例如,我们发现 Opus 5.5 相比前代在每次会话成本降低 29% 的情况下提供了更优的质量,这帮助我们决定将其设为 Claude Code 的默认模型。
企业正在拥抱多 AI 与开放权重模型
企业正日益不再依赖单一 AI 提供商。就在今年 7 月,使用 Unity Gateway 的企业中约有 64% 仅依赖一个模型提供商。到 11 月 2 日,这一比例已降至 28%,因为更多组织采用了来自 2 个或更多提供商的模型。

开放权重模型也在这一转变中不断壮大。其企业 token 流量份额从 7 月的 7.3% 增长到 11 月的 30.9%,在不到四个月内增长了三倍多。开放权重模型也正日益与专有替代方案形成竞争。在我们的编码质量基准测试中,有三个开放权重模型跻身前十,包括 DeepSeek V4.1 和 GLM 5.3,两者均以 93.1% 的通过率并列第三。正如我们在开放权重模型研究中所探讨的,其不断增强的能力、成本效率和灵活性正使其成为对企业越来越有吸引力的选择。
没有单一模型或运行框架能主导成本-质量前沿
选择合适的编码智能体意味着要同时评估模型和运行它的框架。我们最新的编码智能体基准测试使用 Claude Code 和 Codex 评估了来自九个 AI 实验室的模型。来自四个实验室(OpenAI、DeepSeek、Meta 和 Anthropic)的五个模型位于成本-质量前沿,在任务成功率和成本之间提供了最佳权衡。

结果说明了为什么仅凭模型排名无法说明全部情况。企业需要基于自身工作负载评估模型与框架的组合,利用真实使用数据和追踪记录来理解性能与成本之间的权衡。
我们在 Databricks 内部就采用这种方法。在评估是否从 Opus 4.8 升级到 Opus 5 时,我们分析了成本-质量帕累托前沿,并回放了自身工作负载的追踪记录。结果显示,对于我们的用例而言,此次升级不值得额外成本,因此我们决定继续使用 4.8。
Token 价格并不能说明 AI 编码成本的全部
两个模型可以以截然不同的成本提供几乎相同的基准性能。在我们的编码基准测试中,GPT-6 Luna 和 Claude Opus 5.5 均达到了 89.1% 的任务成功率。然而,Luna 平均每项任务仅需 0.05 美元,而 Opus 5.5 为 1.62 美元,相差约 32 倍。
每项任务的成本取决于 token 价格以及模型为得出答案所需完成的工作量。额外的轮次、冗长的输出和失败的尝试都会增加成本。Gemini 3.8 Flash 的 token 价格较低,但它平均每项任务需要 140 轮,最终以每项任务 11.97 美元成为基准测试中最昂贵的模型之一。对于编码智能体而言,当模型需要更多工作才能完成任务时,更低的 token 价格并不保证更低的成本。
性能最高的 AI 模型很少是最具性价比的
更高的基准性能往往伴随着高昂的代价,即便是质量的微小提升也可能带来高成本。Claude Fable 5.1 以每任务 7.47 美元的成本、96.0% 的任务成功率位居我们基准测试榜首,而 Muse Wonder 仅以 1.53 美元的成本就达到了 94.9%。这额外 1.1 个百分点的性能提升,代价却接近五倍。企业似乎也认同这一点,我们看到 Fable 5.1 在专有模型 token 中的份额自发布以来的 6 周内从 5.5% 降至 0.6%。
对企业而言,问题在于一项任务实际需要多少额外的质量。对于复杂、高风险的工作,高端模型值得付出相应成本,但对于常规任务,更便宜的替代方案可能已经足够。智能模型路由,例如 Unity Gateway 中的 Smart Routing,可以根据质量和成本帮助将任务匹配到合适的模型。
AI 支出仍然高度集中
AI 支出在企业用户之间差异巨大。一位全天运行编码智能体的开发者,其消费模式与一位每天只向 AI 助手问几个问题的员工截然不同。我们的数据凸显了这一鲜明差异:中位数用户仅花费 2.49 美元用于 AI,而第 99 百分位用户花费 699.74 美元,约为前者的 281 倍。

每周支出的中位数在六周内从 1.10 美元增长了一倍多,而第 90 和第 99 百分位的支出则相对持平。这表明 AI 消费在典型用户中正在增长,但一小部分人仍然占据了大部分 AI 账单。
对企业而言,这一趋势使得对支出分布的可见性尤为重要。理解这些差异有助于组织制定更有针对性的预算和支出控制,而不会不必要地限制使用。
用 Unity Gateway 将这些洞察付诸实践
Databricks AI Index 揭示了模型使用、性能和成本方面的行业趋势。Databricks Unity Gateway 帮助企业在自身的 AI 工作负载中应对这些趋势:
无锁定地访问和切换模型。 通过 Databricks 托管的模型服务或与外部提供商的连接,集中访问前沿模型、开放权重模型和自定义模型。借助 Unity Gateway CLI,开发者还可以在 Claude Code 和 Codex 等受支持的编码工具中使用已批准的模型。
分析你自己的 AI token 经济学。 使用 Unity Gateway 使用仪表板 和 统一追踪 来了解跨用户、团队和应用程序的模型消耗、支出和编码智能体活动。你可以分析和回放追踪记录,在自身工作负载上比较模型性能和成本,正如 Databricks 内部所做的那样。
优化模型选择和成本。 使用 Smart Routing 根据质量和性能将编码智能体任务匹配到高性价比的模型,并通过 应用预算 和支出上限来控制 AI 支出。

关于数据
Databricks AI Index 结合了来自数千家使用 Unity Gateway 的企业的聚合、匿名化使用数据,以及基于 Databricks 私有代码库中真实拉取请求的编码智能体基准测试。模型支出使用公开列出的提供商价格估算,基准测试结果依据隐藏测试而非 LLM 评判器进行评估。结果反映所评估的工作负载和模型,可能因组织而异。当前数据集涵盖 2026 年 9 月 21 日至 11 月 7 日。
探索完整指数
探索 Databricks AI Index,了解最新的模型使用趋势、编码智能体基准测试和成本对比。我们将持续更新该指数,加入最新的企业使用趋势和编码智能体评估,为开发者和企业提供持续对比模型、性能和成本的资源。
想要分析你自己的 AI 使用情况、对比模型并优化成本?请从 Unity Gateway 快速入门指南开始。
常见问题
什么是 Databricks AI Index?
Databricks AI Index 是一个公开资源,用于追踪企业 AI 模型的采用情况、支出趋势和编码智能体性能。它结合了来自数千家使用 Databricks Unity Gateway 的企业的聚合、匿名化使用数据,以及基于真实开发任务的编码智能体基准测试。随着新模型被评估,该指数每周更新。
如何对比用于编码任务的 AI 模型?
用于编码的 AI 模型应基于任务成功率、每任务成本以及在不同编码智能体框架中的表现进行对比。Databricks AI Index 使用来自 Databricks 私有代码库的真实编码工作流和隐藏测试来评估模型与框架的组合,以衡量质量和成本。结果可能因工作负载而异,因此企业还应基于自身的开发任务来评估模型。
为什么更便宜的 AI 模型使用成本可能更高?
更低的 token 价格并不总能带来更低的成本,因为模型完成任务所需的工作量各不相同。需要更多推理轮次、生成更长输出或反复尝试的模型,总体上可能消耗更多 token。每完成一个任务的成本通常比单纯的 token 价格更能有效衡量 AI 效率。
开放权重 AI 模型能与专有模型竞争吗?
是的,开放权重 AI 模型在编码性能和成本效率方面正日益具备与专有模型竞争的能力。在 Databricks AI Index 编码基准测试中,有三个开放权重模型进入任务成功率前 10 名,其中 DeepSeek V4.1 达到 93.1%。最佳选择取决于工作负载、所需质量和成本。
企业如何优化 AI 模型选择和支出?
企业可以通过在自身工作负载上对比模型质量和成本、监控使用情况,并根据任务需求选择模型来优化 AI 成本。Databricks Unity Gateway 提供集中式模型访问、使用仪表盘、统一追踪和预算功能,帮助组织管理 AI 支出。其 Smart Routing 能力还可以根据质量和性能,将编码智能体任务匹配到具有成本效益的模型。
来源:Databricks Blog · databricks.com